Causal Embeddings for Recommendation: An Extended Abstract
推荐通常用于修改用户的自然行为，例如，增加产品销售或在网站上花费的时间。这导致了最终业务目标和经典设置之间的差距，在经典设置中，推荐被优化以与过去的用户行为保持一致。为了弥合这一差距，我们提出了一个新的学习设置的建议，优化的增量治疗效果（ITE）的政策。我们表明，这是相当于学习预测推荐结果下的完全随机的推荐策略，并提出了一个新的领域自适应算法，学习记录的数据包含结果从一个有偏见的推荐策略，并预测推荐结果根据随机曝光。我们比较我们的方法对国家的最先进的因式分解方法，除了新的方法的因果关系的建议，并显示显着的改善。
2019-05-21 cs.IR
Enriching Sequential Recommendation with Graph Laplacian Positional Embeddings
HSE University（高等经济大学）
本文提出用图拉普拉斯位置嵌入替代序列推荐中的可学习位置嵌入，在SASRec上构建物品共现图并利用其特征向量，实验表明该方法在多个基准上提升性能，证明图结构可有效替代顺序编码。
2026-09-28 cs.IR
Deep Joint Embeddings of Context and Content for Recommendation
本文提出了一种基于深度学习的方法，用于学习联合上下文内容嵌入（JCCE），以实现上下文感知推荐，并展示了其在电视领域的应用。JCCE建立在推荐和深度度量学习的潜在表示方面的最新进展之上。该模型基于270万个观看事件的监督，有效地对观看情况和相关的消费内容进行了分组。实验证实了JCCE的推荐能力，实现改进时相比，国家的最先进的方法。此外，该方法显示了有意义的结构，在学习的表示，可以用来获得有价值的见解的基础因素之间的关系上下文设置和内容属性。
2019-11-12 cs.IR
Are Multimodal Embeddings Truly Beneficial for Recommendation? A Deep Dive into Whole vs. Individual Modalities
University of Glasgow（格拉斯哥大学）；Michigan State University（密歇根州立大学）
研究探讨多模态嵌入对推荐效果的实际影响，发现整体嵌入提升效果有限，但文本模态单独使用效果显著，图像模态则不具优势。
2026-01-16 cs.IR
Learning over Knowledge-Base Embeddings for Recommendation
最先进的推荐算法--特别是基于浅层或深层模型的协同过滤（CF）方法--通常与各种非结构化信息源一起工作用于推荐，例如文本评论、视觉图像和各种隐式或显式反馈。虽然结构化知识库在基于内容的方法中被考虑，但由于大量数据的可用性以及许多复杂模型的学习能力，它们最近在很大程度上被忽视了。然而，结构化知识库在个性化推荐系统中显示出独特的优势。当用户和项目的显式知识被用于推荐时，系统可以基于用户的历史行为提供高度定制的推荐。利用知识库进行推荐的一个巨大挑战是如何整合大规模的结构化和非结构化数据，同时利用协同过滤来实现高精度的性能。知识库嵌入的最新成果揭示了这个问题，这使得有可能学习用户和项目表示，同时保留其与外部知识的关系的结构。在这项工作中，我们提出的原因在知识库嵌入个性化推荐。具体来说，我们提出了一个知识库的表示学习方法嵌入异构实体的推荐。在真实世界数据集上的实验结果验证了我们的方法与最先进的基线相比的优越性能。
2018-03-22 cs.IR
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络（LBSNs）（如Foursquare）提供的数据，为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐（CAVR），其另外考虑用户的周围上下文（例如，用户的位置和一天中的时间），以便提供更相关的场所建议。为了解决CAVR的挑战，我们描述了两种方法，利用词嵌入技术来推断矢量空间表示的场地，用户的现有偏好，和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明，我们可以显着提高最先进的场馆推荐方法的有效性，以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Revisiting scalable sequential recommendation with Multi-Embedding Approach and Mixture-of-Experts
University of Science and Technology of China（中国科学技术大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对序列推荐中物品多面特性与动态相关性带来的扩展难题，提出融合多嵌入策略与MoE架构的Fuxi-MME框架，通过解耦嵌入与专家层变换提升性能，在公开数据集上优于多个基线。
2025-10-29 cs.IR
Causal Embeddings for Recommendation
许多当前的应用程序使用推荐来修改自然用户行为，例如增加销售数量或在网站上花费的时间。这导致了最终推荐目标和经典设置之间的差距，在经典设置中，通过预测用户-项目矩阵中缺失的条目或最有可能的下一个事件，通过与过去用户行为的一致性来评估推荐候选者。为了弥合这一差距，我们优化了推荐策略，以增加期望的结果与有机用户行为的任务。我们证明了这相当于学习在完全随机的推荐策略下预测推荐结果。为此，我们提出了一个新的领域自适应算法，学习记录的数据包含结果从一个有偏见的推荐策略，并预测推荐结果根据随机曝光。我们比较我们的方法对国家的最先进的因式分解方法，除了新的方法的因果关系的建议，并显示显着的改善。
2018-08-03 cs.IR
Learning Consumer and Producer Embeddings for User-Generated Content Recommendation
用户生成内容（UGC）是Web应用程序的核心，用户可以在其中生产和消费内容。这与传统的电子商务领域不同，在传统的电子商务领域，内容生产者和消费者通常来自两个不同的群体。在这项工作中，我们提出了一种方法CPRec（消费者和生产者为基础的推荐），推荐内容的UGC为基础的平台。具体来说，我们学习每个用户的核心嵌入和两个转换矩阵，以将用户的核心嵌入投影到两个“角色”嵌入中（即，生产者和消费者角色）。我们通过消费者、被消费的物品和其生产者之间的三元关系来对每个交互进行建模。两个大规模的UGC应用程序的实证研究表明，我们的方法优于标准的协同过滤方法，以及最近的方法，生产者信息模型通过项目功能。
2018-09-25 cs.IR
Should we Embed? A Study on the Online Performance of Utilizing Embeddings for Real-Time Job Recommendations
在这项工作中，我们提出了一个在线研究的结果，在那里我们探索的影响，利用嵌入推荐职位发布实时的【形】约束。在奥地利工作平台Studo Jobs上，我们评估了两种流行的推荐场景：（i）提供类似的工作，（ii）个性化主页上显示的招聘信息。我们的研究结果表明，推荐类似的工作，我们实现了最好的在线性能的点击率方面，当我们采用嵌入的基础上最近的互动。然而，为了个性化显示在用户主页上的职位发布，基于用户与职位发布交互的频率和新近度组合嵌入会产生最佳的在线性能。
2019-07-15 cs.IR
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为（例如，性别）具有相似的模式，并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差，例如，总是向男性用户推荐体育新闻，这是不公平的，因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法，该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中，我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入，捕捉敏感的用户属性上的偏见信息，和其他的目的是学习一个无偏见的用户嵌入，只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外，我们提出将属性预测任务应用于偏差感知的用户嵌入，以增强其偏差建模能力，并且我们将对抗学习应用于无偏差的用户嵌入，以去除其中的偏差信息。此外，我们提出了一种正交正则化方法，以鼓励无偏置用户嵌入正交于有偏置的用户嵌入，以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名，我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明，该方法可以有效地提高新闻推荐的公平性，而性能损失较小。
2021-04-15 cs.IR
MR.Rec: Synergizing Memory and Reasoning for Personalized Recommendation Assistant with LLMs
提出MR.Rec框架，结合检索增强记忆与强化学习推理，解决LLM推荐中的个性化与推理局限，实验证明其优于现有基线。
2025-10-16 cs.IR
CoMeta: Enhancing Meta Embeddings with Collaborative Information in Cold-start Problem of Recommendation
针对推荐系统中新物品ID嵌入训练不足的冷启动问题，本文提出CoMeta，通过B-EG和S-EG融合旧物品及交互用户的协同信息生成元嵌入，并在两个公开数据集上验证了其有效性与兼容性。
2023-06-08 cs.IR
Dual Adversarial Variational Embedding for Robust Recommendation
鲁棒推荐的目的是从噪声数据中获取用户的真实偏好，目前已经提出了两种方法。一种是基于噪声注入，另一种是采用生成模型变分自动编码器（VAE）。然而，现有的工作仍然面临两个挑战。首先，基于噪声注入的方法通常从预先给定的固定噪声分布中提取噪声，而在现实世界中，由于个人行为和项目使用模式，不同用户和项目的噪声分布可能彼此不同。第二，基于VAE的模型表达能力不足以捕捉真实的偏好，因为VAE通常产生单一模态的嵌入空间，而在现实世界中，用户-项目交互通常表现出多模态的用户偏好分布。在本文中，我们提出了一种新的模型称为双对抗变分嵌入（DAVE）的鲁棒推荐，它可以提供个性化的降噪为不同的用户和项目，并捕捉多模态的嵌入空间，通过结合VAE和对抗训练的优点之间引入的辅助鉴别器和变分推理网络。在真实数据集上进行的大量实验验证了DAVE在鲁棒推荐方面的有效性。
2021-06-30 cs.IR
Personalized Elastic Embedding Learning for On-Device Recommendation
针对设备端推荐中设备与用户异构性及动态内存约束，提出PEEL框架，通过一次性生成个性化弹性嵌入并选择高权重嵌入块，适应动态预算，实验证明其性能优越。
2023-11-16 cs.IR
One for All, All for One: Learning and Transferring User Embeddings for Cross-Domain Recommendation
跨领域推荐是提高推荐系统性能的重要方法，特别是在目标领域的观测值稀疏的情况下。然而，现有的技术大多集中在单目标或双目标的跨域推荐（CDR），很难推广到多目标域的CDR。此外，负迁移问题在CDR中普遍存在，其中目标域中的推荐性能可能并不总是通过从源域学习的知识来增强，特别是当源域具有稀疏数据时。在这项研究中，我们提出了CAT-ART，一个多目标CDR方法，通过表示学习和嵌入迁移来学习改善所有参与领域的推荐。我们的方法由两部分组成：一个自我监督的对比自动编码器（CAT）框架，根据来自所有参与域的信息生成全局用户嵌入，和一个基于注意力的表示转移（ART）框架，从其他域转移特定于域的用户嵌入，以协助目标域推荐。CAT-ART通过结合使用学习到的全局用户表示和从其他领域转移的知识，除了在目标域中嵌入原始用户之外，还可以提高任何目标域中的推荐性能。我们对收集的真实世界CDR数据集进行了广泛的实验，该数据集跨越5个域，涉及100万用户。实验结果表明，所提出的方法优于现有技术的范围。我们进一步进行了消融研究，以验证所提出的组件的有效性。我们收集的数据集将是开源的，以促进多域推荐系统和用户建模领域的未来研究。
2022-11-22 cs.IR
Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation
National Taiwan University（台湾大学）
本文针对基于LLM的序列推荐中投影引入的模态偏差问题，提出结构保留投影方法，通过专用损失维持协同嵌入关系几何，经实验验证可提升推荐性能。
2026-08-11 cs.IR
Learning to Warm Up Cold Item Embeddings for Cold-start Recommendation with Meta Scaling and Shifting Networks
最近，嵌入技术在推荐系统中取得了令人印象深刻的成功。然而，嵌入技术是数据需求，并遭受冷启动问题。特别是对于只有有限交互的冷启动项目，很难训练出合理的项目ID嵌入，称为冷ID嵌入，这是嵌入技术面临的一个重大挑战。冷项ID嵌入存在两个主要问题：（1）冷ID嵌入与深度模型之间存在差距。(2)冷ID嵌入将受到噪声相互作用的严重影响。然而，大多数现有的方法不考虑这两个问题的冷启动问题，同时。为了解决这些问题，我们采用了两个关键思想：（1）加快冷项ID嵌入的模型拟合（快速自适应）。(2)减轻噪音的影响。沿着这条线，我们提出了Meta Scaling和Shifting网络，分别为每个项目生成缩放和移位函数。缩放函数可以直接将冷项ID嵌入转换到更适合模型的暖特征空间，而移位函数能够从噪声嵌入中产生稳定的嵌入。在这两个元网络的基础上，我们提出了Meta Warm Up Framework（MWUF）来学习如何对冷ID嵌入进行预热。此外，MWUF是一个通用框架，可以应用于各种现有的深度推荐模型。该模型在三个流行的基准上进行评估，包括推荐和广告数据集。评估结果表明其优越的性能和兼容性。
2021-05-11 cs.IR
Disentangling User Interest and Conformity for Recommendation with Causal Embedding
推荐模型通常根据观察性交互数据进行训练。然而，观察性交互数据可能会导致用户对流行项目的一致性，这会纠缠用户的真正兴趣。现有的方法跟踪这个问题，消除流行偏见，例如，通过重新加权训练样本或利用一小部分无偏数据。然而，这些方法忽略了用户一致性的多样性，并且将交互的不同原因捆绑在一起作为统一的表示，因此当潜在原因发生变化时，不能保证鲁棒性和可解释性。在本文中，我们提出了DICE，一个通用的框架，学习表示的兴趣和一致性在结构上解开，和各种骨干推荐模型可以顺利集成。我们为用户和项目分配单独的兴趣和一致性嵌入，并通过使用因果推理的碰撞效应获得的特定于原因的数据进行训练，使每个嵌入仅捕获一个原因。我们提出的方法优于最先进的基线，在各种骨干模型之上的两个真实数据集上有显着的改进。我们进一步证明了学习的嵌入成功地捕捉到了所需的原因，并表明DICE保证了推荐的鲁棒性和可解释性。
2021-02-19 cs.IR
Scalable Dynamic Embedding Size Search for Streaming Recommendation
The University of Queensland（昆士兰大学）；Southern University of Science and Technology（南方科技大学）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）
本文提出SCALL方法，通过动态调整嵌入尺寸以优化流式推荐系统的内存使用效率。
2026-02-04 cs.IR
Leveraging Memory Retrieval to Enhance LLM-based Generative Recommendation
针对LLM有限上下文窗口导致忽略用户长期兴趣的问题，提出AutoMR框架，通过存储并检索长期兴趣信息用于下一项目生成，有效提升了生成式推荐性能。
2025-04-29 cs.IR
Exploiting Variational Domain-Invariant User Embedding for Partially Overlapped Cross Domain Recommendation
跨领域推荐（CDR）是利用不同领域的知识来解决推荐系统中的冷启动问题的一种方法。现有的CDR模型大多假设源域和目标域共享相同的重叠用户集进行知识转移。然而，在实际CDR任务中，只有少数比例的用户同时在源域和目标域上激活。在本文中，我们专注于部分重叠的跨域推荐（POCDR）问题，即如何利用重叠和非重叠用户的信息，以提高推荐性能。现有的方法不能充分利用跨域非重叠用户背后的有用知识，这限制了模型的性能时，大多数用户是非重叠的。为了解决这个问题，我们提出了一个端到端的双自动编码器与变域不变的嵌入对齐（VDEA）模型，跨域推荐框架的POCDR问题，它利用双变分自编码器与本地和全局嵌入对齐利用域不变的用户嵌入。VDEA首先采用变分推理捕获协作用户偏好，然后利用Gromov-Wasserstein分布共聚类最优传输对具有相似评级交互行为的用户进行聚类。我们在豆瓣和亚马逊数据集上的实证研究表明，VDEA显著优于最先进的模型，特别是在POCDR设置下。
2022-05-27 cs.IR
AutoEmb: Automated Embedding Dimensionality Search in Streaming Recommendations
基于深度学习的推荐系统（DLRS）通常具有嵌入层，其用于减少分类变量（例如，用户/项目标识符）的维度并在低维空间中有意义地转换它们。大多数现有的DLRS根据经验为所有用户/项目嵌入预先定义了固定且统一的维度。从最近的研究中可以明显看出，根据不同用户/项目的受欢迎程度，不同的嵌入大小是非常需要的。然而，由于大量的用户/项目及其流行度的动态性质，在推荐系统中手动选择嵌入大小可能非常具有挑战性。因此，在本文中，我们提出了一个基于AutoML的端到端框架（AutoEmb），它可以根据流行程度以自动和动态的方式启用各种嵌入维度。具体来说，我们首先增强了一个典型的DLRS，允许各种嵌入维度;然后我们提出了一个端到端的可区分框架，可以根据用户/项目的流行程度自动选择不同的嵌入维度;最后我们提出了一个基于AutoML的优化算法在流媒体推荐设置。基于广泛使用的基准数据集的实验结果证明了AutoEmb框架的有效性。
2020-02-28 cs.IR
RAE: A Rule-Driven Approach for Attribute Embedding in Property Graph Recommendation
本文提出RAE方法，通过挖掘属性图语义规则指导随机游走生成丰富属性嵌入并整合到GCN中，在真实数据集上Recall@20和NDCG@20平均提升10.6%，显著增强推荐性能与鲁棒性。
2025-06-26 cs.IR
Monitoring the Evolution of Behavioural Embeddings in Social Media Recommendation
本研究分析了短视频推荐系统中行为嵌入的演化，对比批量与实时更新对嵌入成熟度、流行度偏差及用户参与度的影响，基于1.8亿用户的生产系统实验，为推荐系统设计提供优化见解。
2024-05-28 cs.IR
Graph Embedding Based Hybrid Social Recommendation System
项目推荐任务是一个广泛研究的课题。深度学习和谱方法的最新发展为高效的图嵌入技术铺平了道路。但是很少有研究将这些图嵌入应用于社交图的推荐任务。本文重点研究了各种嵌入方法应用于社会图的项目推荐任务的性能。此外，提出了一种混合模型，其中所选择的嵌入模型组合在一起，给出一个集体输出。我们提出了这样一个混合模型的假设，将执行更好的推荐任务比个人嵌入。以个体嵌入为基准，对混合模型在同一任务下的推荐性能进行了评估和比较。标准度量用于定性比较。结果发现，所提出的混合模型优于基线。
2019-08-26 cs.IR cs.SI
AlphaFuse: Learn ID Embeddings for Sequential Recommendation in Null Space of Language Embeddings
针对序列推荐中语言嵌入映射导致的语义退化等问题，提出AlphaFuse策略，通过奇异值分解在语言嵌入零空间中学习ID嵌入，无需额外模块即可无缝适配各类框架，显著提升了推荐性能。
2025-04-29 cs.IR
Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation
在推荐系统中提供模型生成的解释对于用户体验是重要的。最先进的推荐算法--尤其是具有浅模型或深模型的基于协同过滤（CF）的方法--通常与用于推荐的各种非结构化信息源一起工作，诸如文本评论、视觉图像以及各种隐式或显式反馈。虽然结构化知识库被认为是基于内容的方法，他们已经在很大程度上被忽视，最近由于CF方法的研究重点。然而，结构化知识在个性化推荐系统中显示出独特的优势。当考虑关于用户和项目的显式知识用于推荐时，系统可以基于用户的历史行为提供高度定制的推荐，并且该知识有助于提供关于推荐项目的明智解释。使用知识库进行推荐的一个巨大挑战是如何集成大规模的结构化数据，同时利用协同过滤来实现高精度的性能。知识库嵌入（KBE）的最新成果揭示了这个问题，这使得有可能学习用户和项目表示，同时保留其与外部知识的关系结构进行解释。在这项工作中，我们建议解释知识库嵌入可解释的建议。具体来说，我们提出了一个知识库表示学习框架来嵌入异构实体进行推荐，并基于嵌入的知识库，提出了一种软匹配算法来为推荐项生成个性化的解释。在真实电子商务数据集上的实验结果验证了与最先进的基线相比，我们的方法具有卓越的推荐性能和可解释性。
2018-11-01 cs.IR
Two Birds with One Stone: Unified Model Learning for Both Recall and Ranking in News Recommendation
召回和排序是个性化新闻推荐的两个关键步骤。现有的新闻推荐系统大多采用不同的模型分别进行个性化的新闻召回和排序。然而，维护多个模型导致高计算成本，并提出了很大的挑战，以满足新闻推荐系统的在线延迟要求。为了解决这个问题，本文提出了UniRec，一个统一的方法召回和排名的新闻推荐。在我们的方法中，我们首先使用用户编码器模型从用户的历史新闻点击行为推断用户嵌入排名。然后，我们推导出用户嵌入召回从获得的用户嵌入排名使用它作为注意力查询选择一组基本用户嵌入编码不同的一般用户的兴趣和合成到一个用户嵌入召回。在基准数据集上的大量实验表明，该方法可以提高新闻推荐的召回率和排名效率。
2022-03-23 cs.IR
CoLLM: Integrating Collaborative Embeddings into Large Language Models for Recommendation
针对现有LLM推荐方法忽略协同信息、热启动性能欠佳的问题，提出CoLLM方法，通过外部模型捕获协同信息并映射为LLM输入嵌入，在不修改LLM的前提下提升冷热启动场景的推荐效果。
2025-06-14 cs.IR
Citation Recommendations Considering Content and Structural Context Embedding
近年来，发表的学术论文数量呈指数级增长，推荐足够的引文以帮助研究人员撰写论文是一项重要的任务。传统的方法可能不是最佳的，因为推荐的论文可能已经为用户所知，或者仅仅与周围的背景相关，而不是手稿中讨论的其他想法。在这项工作中，我们提出了一种新的嵌入算法DocCit2Vec，随着“结构上下文”的新概念，以解决上述问题。所提出的方法在旨在模拟实际使用场景的广泛实验中表现出优于基线模型的性能。
2020-01-08 cs.IR
Stream-aware Side Adaptation for Large Pre-trained Multimodal Embedding Models in Sequential Recommendation
University of Glasgow（格拉斯哥大学）；Telefónica Scientific Research, Telefónica Innovación Digital（Telefónica科学研究，Telefónica数字创新）；Shandong University（山东大学）
针对大型预训练多模态嵌入模型用于序列推荐时因域不对准性能不佳的问题，提出Stresa框架，通过流感知隐藏适配器融合和残差流适配器，有效解锁模型潜力，实验证明其性能优于标准侧适配器和基线。
2026-07-14 cs.IR
LoopMemGR: From Behavior Logs to Evolving Memory for Generative Recommendation
Alibaba Group（阿里巴巴集团）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
该研究针对生成式推荐中系统侧记忆缺失的问题，提出LoopMemGR框架，通过维护推荐体验日志并提取多视图信号，在淘宝数据集上验证了方法的有效性。
2026-09-10 cs.IR
Tag Embedding Based Personalized Point Of Interest Recommendation System
个性化的兴趣点推荐对于满足用户在新地点的需求非常有帮助。在这篇文章中，我们提出了一种基于标签嵌入的个性化推荐方法。我们对与兴趣点相对应的标签之间的关系进行建模。该模型提供了代表性的嵌入对应于一个标签的方式，相关的标签将更接近。我们基于标签嵌入对Point of Interest进行建模，并基于用户（用户简档）对Point Of Interest进行评级。最后，根据用户嵌入与兴趣点嵌入的余弦相似度对用户的候选兴趣点进行排序。此外，我们通过在不同的测量（如ndcg@5，MRR，...）上进行离散优化来找到对用户进行建模所需的参数。我们还分析了结果，同时考虑相同的参数为所有用户和每个用户的个人参数。与此同时，我们还分析了在改变数据集以建模标签之间的关系时对结果的影响。我们的方法还最大限度地减少了隐私泄露问题。我们使用了TREC Contextual Suggestion 2016 Phase 2数据集，并在最先进的方法上对所有指标进行了显著改进。ndcg@5提高了12.8%，p@5提高了4.3%，MRR提高了7.8%，表明了该方法的有效性。
2021-08-07 cs.IR
AtomRec: Evolving Atomic Memory for Agentic Recommendation
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Xiaohongshu（小红书）；Peking University（北京大学）；East China Normal University（华东师范大学）；Beijing Jiaotong University（北京交通大学）
本文提出AtomRec智能体推荐系统，通过演化原子协同记忆解决现有推荐系统记忆机制的不足，在四个公开基准上较最优基线实现约8.5%的平均相对提升。
2026-09-07 cs.IR
MB-HGCN: A Hierarchical Graph Convolutional Network for Multi-behavior Recommendation
针对单行为推荐的数据稀疏问题，提出分层图卷积网络MB-HGCN，从全局到行为特定层次学习嵌入，并通过多任务学习优化，在Tmall等数据集上显著提升推荐性能。
2023-06-19 cs.IR
Category-Aware Location Embedding for Point-of-Interest Recommendation
University of Zanjan（赞詹大学）；Università della Svizzera italiana (USI)（瑞士意大利语大学）；Leiden University（莱顿大学）
本文提出一种结合序列和类别信息的新型神经模型，用于提升兴趣点推荐效果。通过用户签到序列和类别信息生成嵌入，实验表明方法优于现有推荐方法。
2019-07-31 cs.IR
Monolith: Real Time Recommendation System With Collisionless Embedding Table
建立一个可扩展的实时推荐系统对于许多由时间敏感的客户反馈驱动的企业至关重要，例如短视频排名或在线广告。尽管TensorFlow或PyTorch等生产规模的深度学习框架被广泛采用，但由于各种原因，这些通用框架在推荐场景中无法满足业务需求：一方面，基于静态参数和密集计算的系统调整具有动态和稀疏特征的推荐不利于模型质量;另一方面，这种框架被设计成批量训练阶段和服务阶段完全分离，从而阻止模型与客户反馈实时交互。这些问题促使我们重新审视传统的方法，并探索完全不同的设计选择。在本文中，我们提出了Monolith，为在线培训量身定制的系统。我们的设计是由我们的应用程序工作负载和生产环境的观察驱动的，这反映了与其他推荐系统的显著差异。我们的贡献是多方面的：首先，我们精心制作了一个无冲突的嵌入表，并进行了优化，如可编程嵌入和频率过滤，以减少其内存占用;其次，我们提供了一个具有高容错性的生产就绪在线训练架构;最后，我们证明了系统可靠性可以为实时学习做出权衡。Monolith已成功登陆字节加推荐产品。
2022-09-27 cs.IR
Session-based Recommendation with Self-Attention Networks
基于会话的推荐旨在通过当前会话和先前的匿名会话预测用户的下一个行为。在基于会话的推荐中，捕获项目之间的长距离依赖关系是一个重要的挑战。提出了一种新的基于会话的推荐方法，并将自注意网络（SR-SAN）作为一种补救措施。自注意网络（SAN）允许SR-SAN捕获会话的所有项目之间的全局依赖关系，而不管它们的距离。在SR-SAN中，使用单个项目的潜在向量来捕获当前兴趣和全局兴趣，而不是由当前兴趣嵌入和全局兴趣嵌入组成的会话嵌入。在一些开放的基准数据集上进行了一些实验。实验结果表明，该方法优于一些国家的艺术比较。
2021-02-03 cs.IR
Efficient On-Device Session-Based Recommendation
设备上基于会话的推荐系统在提供有希望的推荐性能的同时由于低能量/资源消耗和隐私保护而获得越来越多的关注。为了适应资源受限的移动设备中强大的基于神经会话的推荐模型，张量训练分解及其变体已被广泛应用于通过将嵌入表分解为更小的张量来减少内存占用，在压缩推荐模型方面显示出巨大的潜力。然而，这些模型压缩技术由于生成索引列表和一系列张量乘法以形成项嵌入的复杂过程而显著增加了局部推理时间，并且所得到的设备上推荐器不能提供实时响应和推荐。为了提高在线推荐的效率，我们建议学习基于组合编码的紧凑项目表示。具体来说，每个项目都由一个由几个码字组成的组合码表示，我们学习嵌入向量来表示每个码字，而不是每个项目。然后，来自不同嵌入矩阵的码字嵌入向量的合成（即，码本）形成项嵌入。由于码本的大小可以非常小，因此推荐模型能够适应资源受限的设备，同时可以节省码本用于快速局部推理。此外，为了防止压缩导致的模型容量损失，我们提出了一个双向自监督知识蒸馏框架。在两个基准数据集上的大量实验结果表明，与现有方法相比，所提出的设备上推荐器不仅实现了8倍的推理加速和大的压缩比，而且还显示出优越的推荐性能。
2023-01-06 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
Improving LLM Interpretability and Performance via Guided Embedding Refinement for Sequential Recommendation
University of California, Berkeley（加州大学伯克利分校）；Berkeley AI Research Lab (BAIR)（伯克利人工智能研究实验室）；Tsinghua University（清华大学）
针对LLM集成到序列推荐系统中的可解释性与透明度问题，提出引导嵌入优化方法，以LLM为辅助工具生成领域语义引导嵌入并优化基础嵌入，实验表明该方法适配多种基础模型，泛化性好，可提升推荐性能（MRR等指标提升10%-50%）并增强可解释性。
2025-04-15 cs.AI cs.IR
ACE: Anisotropy-Controllable Embedding for LLM-enhanced Sequential Recommendation
Sungkyunkwan University（成均馆大学）
针对LLM生成嵌入的强各向异性问题，提出ACE方法，通过线性自编码器结合L2正则化与重构损失控制嵌入分布，平衡几何均匀性与语义保持，在序列推荐中提升性能。
2026-05-28 cs.IR
Collaborative Memory Network for Recommendation Systems
推荐系统在现代在线平台中保持用户对个性化内容的参与方面发挥着至关重要的作用。深度学习已经彻底改变了许多研究领域，最近人们对将其应用于协同过滤（CF）的兴趣激增。然而，现有的方法组成深度学习架构与潜在因素模型忽略了CF模型，邻域或基于记忆的方法的主要类别。我们提出了协作记忆网络（CMN），一个深层的架构，以统一的两类CF模型利用潜在因素模型的全球结构和局部邻域为基础的结构在一个非线性的方式的优势。受记忆网络成功的启发，我们融合了记忆组件和神经注意力机制作为邻域组件。在存储器模块中具有用户和项目存储器的关联寻址方案编码与神经注意力机制耦合的复杂用户-项目关系，以学习用户-项目特定邻域。最后，输出模块联合利用用户和项目记忆的邻域来产生排名分数。将多个存储器模块堆叠在一起产生更深的架构，捕获日益复杂的用户-项目关系。此外，我们显示CMN组件，记忆网络和三类CF模型之间的强连接。综合实验结果表明，CMN在三个公共数据集上的有效性优于竞争基线。注意力权重的定性可视化提供了对模型推荐过程的深入了解，并表明存在高阶交互。
2018-06-21 cs.IR
MSN: A Memory-based Sparse Activation Scaling Framework for Large-scale Industrial Recommendation
ByteDance Search（字节跳动搜索）；ByteDance AML（字节跳动机器学习）
MSN通过基于记忆的稀疏激活缩放框架实现大规模工业推荐中的高效个性化与性能提升。
2026-02-07 cs.IR
Seeing and Reflecting: Multimodal Memory-Enhanced Agent Collaboration for Recommendation
Tsinghua University（清华大学）；University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）；The University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）；CSIRO’s Data61（联邦科学与工业研究组织数据61）
针对基于LLM的推荐系统局限，提出MMEACR框架，采用双轨记忆架构，通过属性引导机制更新记忆，构建多模态嵌入记忆，经加权倒数排名融合两轨道，实验证明其在多领域表现出色，尤其视觉推荐场景有显著提升。
2026-07-09 cs.IR
Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation
Criteo；Facebook AI Research
我们提出了Meta-M2 vec，一种新的方法来计算项目相似度的建议，利用现有的项目元数据。在内容推荐、广告定位和网络搜索等应用中经常会遇到这样的场景。我们的方法利用过去的用户与项目及其属性的交互来计算项目的低维嵌入。具体地说，项元数据作为辅助信息被注入到模型中，以正则化项嵌入。我们表明，新的项目表示导致更好的性能在一个开放的音乐数据集上的推荐任务。
2016-07-25 cs.AI cs.IR
Session-aware Information Embedding for E-commerce Product Recommendation
现有的推荐系统大多假设用户的访问历史可以被持续记录。然而，在最近的在线服务中，用户标识通常可能是未知的，并且只能使用有限的在线用户行为。对用户的时间行为进行建模，并对匿名用户进行推荐具有重要意义。在本文中，我们提出了一个列表式的深度神经网络为基础的架构，在每个会话中的有限的用户行为建模。为了有效地训练模型，我们首先设计了一个会话嵌入方法来预训练一个会话表示，它包含了不同类型的用户搜索行为，如点击和查看。基于学习的会话表示，我们进一步提出了一个列表式的排名模型来生成每个匿名用户会话的推荐结果。我们对一家电子商业公司最近发布的数据集进行了定量实验。评估结果验证了所提出的方法的有效性，它可以显着优于最先进的。
2017-11-20 cs.IR
Noise Contrastive Estimation for Scalable Linear Models for One-Class Collaborative Filtering
以前的高度可扩展的一类协同过滤方法，如投影线性推荐（PLRec），主张使用快速随机SVD将项目嵌入到潜在空间中，然后使用线性回归方法来学习每个用户的个性化推荐模型。不幸的是，朴素SVD嵌入方法通常表现出流行性偏差，这会影响准确嵌入利基项的能力。为了解决这个问题，我们利用噪声对比估计（NCE）的见解，以获得一个封闭的形式，有效地可计算的“大众化”嵌入。虽然这种方法对于使用PureSVD等方法的直接推荐并不理想，因为流行度仍然在推荐中起着重要作用，但我们发现，在我们称为NCE-PLRec的新方法中，嵌入之后进行线性回归来学习个性化用户模型，利用了NCE的改进项嵌入，同时在最终推荐中校正其流行度无偏。推荐流行度分布的分析表明，NCE-PLRec均匀地分布在流行度频谱上的建议，而其他方法对特定的流行度子范围表现出明显的偏见，从而人为地限制了他们的建议。从经验上讲，NCE-PLRec在各种大规模推荐数据集上的表现优于最先进的方法以及各种消融。
2018-11-02 cs.IR
A Model-Agnostic Causal Learning Framework for Recommendation using Search Data
基于机器学习的推荐系统已经成为帮助人们自动发现兴趣的有效手段。现有的推荐模型通常将项目、用户和上下文等丰富的推荐信息表示为嵌入向量，并利用它们来预测用户的反馈。从因果分析的角度来看，这些嵌入向量与用户反馈之间的关联是因果部分和非因果部分的混合，因果部分描述了用户为什么偏好某个项目，非因果部分仅反映了用户与项目之间的统计依赖关系，例如曝光机制、公众舆论、显示位置等。现有的RS在使用这些嵌入向量时大多忽略了因果部分和非因果部分之间的显著差异。在本文中，我们提出了一个名为IV4Rec的模型无关框架，可以有效地将嵌入向量分解为这两个部分，从而增强推荐结果。具体来说，我们联合考虑用户在搜索场景和推荐场景下的行为。采用因果分析中的概念，我们将用户的搜索行为作为工具变量（IV）嵌入，以帮助分解推荐中的原始嵌入向量，治疗。然后，IV4Rec通过深度神经网络将这两个部分结合起来，并使用组合结果进行推荐。IV4Rec与模型无关，可以应用于许多现有的RS，如DIN和NRHUB。在公共和专有工业数据集上的实验结果表明，IV4Rec始终增强了RS，并且优于联合考虑搜索和推荐的框架。
2022-06-04 cs.IR
Relaxed N-Pairs Loss for Context-Aware Recommendations of Television Content
本文通过提出一种基于深度学习的方法来学习联合上下文内容嵌入（JCCE），研究了电视领域的上下文感知推荐。该方法建立在使用潜在表示和深度度量学习的推荐内的最新发展的基础上，以便有效地表示观看情况的上下文设置以及共享潜在空间中的可用内容。该嵌入空间用于通过应用N对损失目标以及本文提出的放松变体来探索各种观看设置中的相关内容。实验证实了JCCE的推荐能力，实现改进时相比，国家的最先进的方法。进一步的实验显示有用的结构，学习嵌入，可用于获得有价值的知识的基础变量之间的关系的上下文设置和内容属性。
2023-02-12 cs.IR
LGMRec: Local and Global Graph Learning for Multimodal Recommendation
针对现有多模态推荐中信号耦合、交互稀疏的问题，提出LGMRec模型，通过局部图嵌入解耦信号、全局超图嵌入捕获全局兴趣，在三个基准数据集上表现优于现有基线。
2024-04-18 cs.IR
Improving Micro-video Recommendation via Contrastive Multiple Interests
随着微视频创作者和观看者的迅速增加，如何从海量的候选人向观看者进行个性化推荐开始受到越来越多的关注。然而，现有的微视频推荐模型依赖于昂贵的多模态信息，并且学习整体兴趣嵌入，不能反映用户对微视频的多种兴趣。最近，对比学习为改进现有的推荐技术提供了一个新的机会。因此，本文提出了提取对比性多兴趣，并设计了一个微视频推荐模型CMI。具体而言，CMI从每个用户的历史交互序列中学习他/她的多个兴趣嵌入，其中隐式正交微视频类别用于解耦多个用户兴趣。此外，它建立了对比多兴趣损失，以提高兴趣嵌入的鲁棒性和推荐的性能。在两个微视频数据集上的实验结果表明，CMI在现有基线上实现了最先进的性能。
2022-05-19 cs.IR
EncodeRec: An Embedding Backbone for Recommendation Systems
Ben-Gurion University of the Negev（贝拉谢瓦巴内格利大学）
EncodeRec通过直接从项目描述中学习紧凑且信息丰富的嵌入，提升推荐系统在语义ID标记化和顺序推荐中的性能。
2026-01-15 cs.CL cs.IR
